CN113282403A - 一种智能服务动态适配演化方法 - Google Patents

一种智能服务动态适配演化方法 Download PDF

Info

Publication number
CN113282403A
CN113282403A CN202110373720.2A CN202110373720A CN113282403A CN 113282403 A CN113282403 A CN 113282403A CN 202110373720 A CN202110373720 A CN 202110373720A CN 113282403 A CN113282403 A CN 113282403A
Authority
CN
China
Prior art keywords
intelligent
intelligent service
dependency graph
services
service
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110373720.2A
Other languages
English (en)
Other versions
CN113282403B (zh
Inventor
赵登
周长兵
施振生
张玉清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN202110373720.2A priority Critical patent/CN113282403B/zh
Publication of CN113282403A publication Critical patent/CN113282403A/zh
Application granted granted Critical
Publication of CN113282403B publication Critical patent/CN113282403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Stored Programmes (AREA)

Abstract

本申请提供了一种智能服务动态适配演化方法，该方法包括：根据多个目标智能设备以及各目标智能设备所提供的智能服务，部署智能服务系统；分析智能服务系统的属性信息，并根据属性信息，构建智能服务依赖图；针对智能服务的各调用动作，构建自动动作集，并将该自动动作集作用于智能服务依赖图，得到动态演化的智能服务依赖图；构建智能服务系统的克里普克结构，并根据用户需求和克里普克结构，生成用户需求中各功能的逻辑结构；根据克里普克结构和各功能的逻辑结构，通过优化模型，得到至少一个待选智能服务动态适配方案；计算每个待选适配方案中智能服务之间的依赖度均值，确定依赖度均值最大的待选适配方案为目标智能服务动态适配方案。

Description

一种智能服务动态适配演化方法
技术领域
本申请涉及服务计算领域，具体而言，涉及一种智能服务动态适配演化方法。
背景技术
面向服务的物联网正被越来越多的专家学者研究，它使得底层的智能设备可被抽象为智能服务，进而通过智能服务适配的方式满足用户的特定需求。这些需求可能包括功能性和非功能性需求，如智能服务适配的调用度，能耗、时间约束、空间相关性等。
现有技术中，对于智能服务适配的策略均在静态环境下设计研究，并未考虑智能服务的动态变化。由于智能服务的可用资源、节点性能、网络结构等处于不断演化中，如何贴近用户功能需求，且低能耗、高性能的动态适配智能服务是一个亟待解决难题。
发明内容
有鉴于此，本申请的目的在于提供一种智能服务动态适配演化方法，用于解决现有技术中如何构建高效低耗的动态适配智能服务及其演化的问题。
第一方面，本申请实施例提供了一种智能服务动态适配演化方法，该方法包括：
根据多个目标智能设备以及各目标智能设备所提供的智能服务，部署智能服务系统；
分析所述智能服务系统的属性信息，并根据所述属性信息，构建智能服务依赖图；所述属性信息包括空间调用度、交互能耗、负载均衡因子和依赖关系；
针对智能服务的各调用动作，构建自动动作集，并将该自动动作集作用于所述智能服务依赖图，得到动态演化的智能服务依赖图；
根据所述动态演化的智能服务依赖图，构建所述智能服务系统的克里普克结构，并根据用户需求和所述克里普克结构，生成满足用户需求中各功能的逻辑结构；
根据所述克里普克结构和所述用户需求中各功能的逻辑结构，通过优化模型，得到至少一个待选智能服务适配方案；
计算每个待选智能服务适配方案中智能服务之间的依赖度均值，确定所述依赖度均值最大的待选适配方案为目标智能服务适配方案。
在一些实施例中，所述分析所述智能服务系统的属性信息，并根据所述属性信息，构建智能服务依赖图，包括：
根据所述各智能服务的调用日志和各智能服务之间的空间距离，计算各智能服务之间的空间调用度；
通过智能节点传输耗能模型，计算各智能服务之间的交互能耗；
根据智能服务的可用负载，计算各智能服务之间的负载均衡因子；
针对每个目标智能设备，根据该目标智能设备上部署的智能服务之间的执行关系和执行时间区间，确定该目标智能设备对应的智能服务之间的依赖关系；
根据所述空间调用度、交互能耗、负载均衡因子和依赖关系，定义各智能服务之间的依赖度；
根据所述各智能服务之间的依赖度，构建智能服务依赖图。
在一些实施例中，所述针对智能服务的各调用动作，构建自动动作集，并将该自动动作集作用于所述智能服务依赖图，得到动态演化的服务依赖图，包括：
针对智能服务的各调用动作所对应的可用负载、负载均衡因子和调用度中至少一种属性值的变化设定变化算法，以构建智能服务系统的自动动作集；
将所述自动动作集作为所述智能服务依赖图的动态变化模型，得到动态演化的智能服务依赖图。
在一些实施例中，所述根据所述动态演化的服务依赖图，构建所述智能服务系统的克里普克结构，并根据用户需求和所述克里普克结构，生成用户需求中各功能的逻辑结构，包括：
根据所述智能服务依赖图构建所述智能服务系统的克里普克结构；
根据用户需求中的服务区域和功能，基于所述克里普克结构和计算树时序逻辑表达方式，生成用户需求中各功能的逻辑结构。
在一些实施例中，在所述根据所述克里普克结构和所述用户需求中各功能的逻辑结构，通过优化模型，得到至少一个待选适配方案之前，包括：
通过计算树时序逻辑验证算法，对所述用户需求中各功能的逻辑结构进行逻辑验证。
第二方面，本申请实施例提供了一种智能服务动态适配演化装置，包括：
部署模块，用于根据多个目标智能设备以及各目标智能设备所需的智能服务，部署智能服务系统；
构建模块，用于分析所述智能服务系统的属性信息，并根据所述属性信息，构建智能服务依赖图；所述属性信息包括空间调用度、交互能耗、负载均衡因子和依赖关系；
动态模块，用于针对智能服务的各调用动作，构建自动动作集，并将该自动动作集作用于所述智能服务依赖图，得到动态演化的服务依赖图；
生成模块，用于根据所述智能服务依赖图，构建所述智能服务系统的克里普克结构，并根据用户需求和所述克里普克结构，生成用户需求中各功能的逻辑结构；
计算模块，用于根据所述克里普克结构和所述用户需求中各功能的逻辑结构，通过优化模型，得到至少一个待选适配方案；
确定模块，用于计算每个待选适配方案中智能服务之间的依赖度均值，确定所述依赖度均值最大的待选适配方案为目标智能服务适配方案。
在一些实施例中，所述动态模块，包括：
动作单元，用于针对智能服务的各调用动作所对应的可用负载、负载均衡因子和调用度中至少一种属性值的变化设定变化算法，以构建智能服务系统的自动动作集；
动态单元，用于将所述自动动作集作为所述智能服务依赖图的动态变化模型，得到动态演化的智能服务依赖图。
在一些实施例中，所述生成模块，包括：
构建单元，用于根据所述智能服务依赖图构建所述智能服务系统的克里普克结构；
生成单元，用于根据用户需求中的服务区域和功能，基于所述克里普克结构和计算树时序逻辑表达方式，生成用户需求中各功能的逻辑结构。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面中任一项所述的方法的步骤。
本申请实施例提出的一种智能服务动态适配演化方法，通过分析所部署智能服务系统的属性信息，并根据该属性信息构建智能服务依赖图，然后，构建包含智能服务的各调用动作的自动动作集，作用于智能服务依赖图，实现智能服务依赖图的动态演化，再根据智能服务依赖图构建克里普克结构，并贴合用户需求，生成用户需求中各功能的逻辑结构，以该逻辑结构、用户需求和克里普克结构为输入，通过优化模型得到多个待选智能服务适配方案，计算每个待选智能服务适配方案中智能服务间的依赖度均值，选取依赖度均值最大的待选智能服务适配方案作为目标智能服务适配方案，并以该方案构建动态适配智能服务。本申请实施例所提出的一种智能服务动态适配演化方法在贴近用户功能需求的同时，降低了动态适配智能服务的能耗，且提高了动态适配智能服务的性能。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种智能服务动态适配演化方法的流程示意图；
图2为本申请实施例提供的一种动态演化的服务依赖图生成方法的流程示意图；
图3为本申请实施例提供的一种智能服务动态适配演化装置的结构示意图；
图4为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种智能服务动态适配演化方法，如图1所示，包括以下步骤：
步骤S101、根据多个目标智能设备以及各目标智能设备所提供的智能服务，部署智能服务系统；
步骤S102、分析上述智能服务系统的属性信息，并根据上述属性信息，构建智能服务依赖图；上述属性信息包括空间调用度、交互能耗、负载均衡因子和依赖关系；
步骤S103、针对智能服务的各调用动作，构建自动动作集，并将该自动动作集作用于上述智能服务依赖图，得到动态演化的智能服务依赖图；
步骤S104、根据上述动态演化的服务依赖图，构建上述智能服务系统的克里普克结构，并根据用户需求和上述克里普克结构，生成用户需求中各功能的逻辑结构；
步骤S105、根据上述克里普克结构和上述用户需求中各功能的逻辑结构，通过优化模型，得到至少一个待选智能服务适配方案；
步骤S106、计算每个待选智能服务适配方案中智能服务之间的依赖度均值，确定上述依赖度均值最大的待选智能服务适配方案为目标智能服务适配方案。
具体地，根据智能设备及其所提供的智能服务，完成智能服务系统的部署。每个智能设备可以完成多个服务功能，每个智能服务功能可由多个智能设备完成。
然后，分析所部署的智能服务系统中各智能服务之间的空间调用度、交互能耗、负载均衡因子和依赖关系等属性信息，以这些属性信息作为数据基础，构建该系统的智能服务依赖图。
对智能服务系统在运行中的基本调用动作所引起的服务间的属性信息变化，构建智能服务动态适配过程中基于自动机的自动动作集，并使该自动动作集作用于智能服务依赖图，以得到自动更新的智能服务依赖图，也就是上述动态演化的服务依赖图。
基于智能服务依赖图各智能服务之间的属性信息，构建初始的克里普克结构，克里普克结构中明确了各智能节点与智能服务之间的映射关系、系统能够提供的功能，以及各智能服务之间迁移关系和依赖度。
接着，基于计算树时序逻辑的表达方式，参照初始的克里普克结构，根据用户需求进行功能的逻辑结构的表达。用户需求包含了空间需求(服务区域)和功能需求(功能)。通过空间需求确认用户能够调用的智能设备和智能服务，再根据功能需求进行逻辑结构的构筑。
将服务区域、初始的克里普克结构和各功能的逻辑结构输入到预先构建好的优化模型中，得到至少一个待选智能服务适配方案以及各待选智能服务适配方案所对应的克里普克结构。
上述的优化模型，是综合考虑智能服务的空间覆盖度、调用度、可用负载、负载均衡等约束，将智能服务动态适配演化规约为多目标多约束优化问题所构建的，该优化模型中的目标函数如下：
Figure BDA0003010358900000081
约束条件如下：
Figure BDA0003010358900000082
Figure BDA0003010358900000083
Figure BDA0003010358900000084
Figure BDA0003010358900000085
Figure BDA0003010358900000086
Figure BDA0003010358900000087
其中，iotsi，iotsi+1是智能服务(SmartIoT Service)；iotsd是智能服务依赖度(IoT Service Dependency)；IoTSvCp是智能服务适配方案(IoT ServiceConfiguration)；Φ是功能的逻辑结构；eng是智能服务的可用负载(Remaining Energy)；lbf是负载均衡因子(Load Balancing Factor)；e是智能服务之间的边(Edge)。
最后，计算每个待选智能服务适配方案中各智能服务之间的依赖度，并取平均值，该依赖度均值表示了该待选智能服务适配方案对于用户需求的满足度，选取依赖度均值最大的待选适配方案，作为目标智能服务适配方案，并根据该目标智能服务适配方案对应的克里普克结构构建智能服务的动态适配。
依赖度计算公式如下：
iotsd(iotsi，iotsj)
＝e(iotsi，iotsj)·irel(iotsi，iotsj)·(β·sinvp(iotsi，iotsj)+γ·(1-erg(iotsi，iotsj))+σ·lbf(iotsi，iotsj))
其中，irel是智能服务间的依赖关系(Interrelation)；sinvp是空间调用度(Spatial Invocation Possibility)；erg是智能服务间的总能耗(Energy)；β，γ和σ代表不同的权重，且β+γ+σ＝1。
在一些实施例中，上述步骤S102，包括：
步骤1021、根据上述各智能服务的调用日志和各智能服务之间的空间距离，计算各智能服务之间的空间调用度；
步骤1022、通过智能节点传输耗能模型，计算各智能服务之间的交互能耗；
步骤1023、根据智能服务的可用负载，计算各智能服务之间的负载均衡因子；
步骤1024、针对每个目标智能设备，根据该目标智能设备上部署的智能服务之间的执行关系和执行时间区间，确定该目标智能设备对应的智能服务之间的依赖关系；
步骤1025、根据上述空间调用度、交互能耗、负载均衡因子和依赖关系，定义各智能服务之间的依赖度；
步骤1026、根据上述各智能服务之间的依赖度，构建智能服务依赖图。
具体地，定义各智能服务之间的依赖度，需要获取智能服务系统中的空间调用度、交互能耗、负载均衡因子和依赖关系等属性信息。
依据智能服务的调用日志，挖掘统计智能服务的调用度；根据智能服务的空间距离，定义基于空间约束的调用度大小，也就是空间调用度sinvp(Spatial InvocationPossibility)，公式如下：
Figure BDA0003010358900000091
其中，α是衰减因子；invp(iotsi,iotsj)是智能服务iotsi和iotsj的调用度(Invocation Possibility)；dis(iotsi,iotsj)是智能服务iotsi和iotsj的空间距离；lnk(iotsi,iotsj)是智能服务iotsi和iotsj的连接度，即：
Figure BDA0003010358900000101
其中，r是智能服务的传输半径，thrd是智能服务调用度的阈值。lnk(iotsi，iotsj)＝1代表智能服务iotsi和iotsj有调用关系，否则不可进行调用。
根据智能节点传输耗能模型，计算智能服务间的交互能耗ergcst(EnergyConsumption)，公式如下：
ergcst(iotsi，iotsj)
＝ergInv(iotsi)+ergInv(iotsj)+ergWok(iotsi)+ergWok(iotsj)+ETx(k，dis(iotsi，iotsj))+ERx(k)
其中，智能服务iotsi，iotsj的激活耗能为ergInv(iotsi)和ergInv(iotsj)，调用耗能为ergWok(iotsi)和ergWok(iotsi)。传输k比特的数据包所对应的传输耗能为ETx(k，dis(iotsi，iotsj))，接收耗能为ERx(k)，计算公式如下：
ETx(k，dis(iotsi，iotsj))＝Eelec·k+∈amp·k·dis(iotsi，iotsj)n
ERx(k)＝Eelec·k
其中，Eelec为传输电子常量，∈amp是传输放大器常量，n是传输衰减因子。
根据智能服务的可用负载，定义负载均衡因子lbf(Load Balancing Factor)，公式如下：
Figure BDA0003010358900000102
其中，iotsi.eng和iotsj.eng为智能服务iotsi，iotsj的可用负载，engmin是智能服务的最小可用负载，engmax是智能服务的最大可用负载。
对部署在同一智能节点上的智能服务，对其互斥、共存关系进行规约：
Figure BDA0003010358900000111
Figure BDA0003010358900000112
其中，⊙代表两智能服务可以同时在一个智能设备上运行，
Figure BDA0003010358900000113
代表两智能服务不能同时在一个智能设备上运行。所以，智能服务间的依赖关系irel(Interrelation)可定义为：
Figure BDA0003010358900000114
其中tpr(iotsi)和tpr(iotsj)分别为智能服务iotsi,iotsj的可用时间约束。irel(iotsi,iotsj)＝1即代表智能服务iotsi和iotsj间是依赖关系，irel(iotsi,iotsj)＝0即代表智能服务iotsi和iotsj间是非依赖关系。
根据上述空间调用度、交互能耗、负载均衡因子和依赖关系计算各智能服务之间的依赖度，并构建智能服务依赖图。
在一些实施例中，上述步骤S103，如图2所示，包括：
步骤S1031、针对智能服务的各调用动作所对应的可用负载、负载均衡因子和调用度中至少一种属性值的变化设定变化算法，以构建智能服务系统的自动动作集；
步骤S1032、将上述自动动作集作为上述智能服务依赖图的动态变化模型，得到动态演化的智能服务依赖图。
具体地，智能服务的调用中包含了四种基本调用动作：
激活(Activate)：智能服务在调用前需进行激活；
执行(Work)：在激活智能服务后，进行相应功能的调用执行；
传输数据(Transmit)：智能服务将执行结果传输给下一个智能服务，作为下一个智能服务调用的输入；
接收数据(Receive)：下一个智能服务在接收数据后，即作为其调用的输入，可进行激活及相应的功能执行。
对于这些调用动作引起的智能服务可用负载、负载均衡因子和调用度设置对应的变化算法，以构筑从调用动作到属性值变化的自动化算法集，即自动动作集。
基于自动动作集，在进行智能服务动态适配应答用户请求时，每一个动作在执行完后，可自动将智能服务依赖图进行不断更新和动态推演，得到动态变化的智能服务依赖图。
在一些实施例中，上述步骤S104，包括：
步骤1041、根据上述智能服务依赖图构建上述智能服务系统的克里普克结构；
步骤1042、根据用户需求中的服务区域和功能，基于上述克里普克结构和计算树时序逻辑表达方式，生成用户需求中各功能的逻辑结构。
具体地，将智能服务表达为状态，将智能服务间的调用规约为状态迁移，所构建的动作集即智能服务调用的执行动作，依据状态、迁移动作及相应状态迁移，构建基于动态智能服务依赖图的克里普克结构IoTSDGK(IoTService Dependency Graph-based Kripkestructure)。IoTSDGK的定义如下：
基于智能服务依赖图的克里普克结构可定义为：
IoTSDGK＝{IoTN，IoTNI，APiotsdg，IoTNL，IoTS，IoTSI，AutoAct，IoTR，IoTSD}
其中，IoTN是智能设备集合，IoTNI代表初始智能设备集合，APiotsdg是原子命题，即智能服务的功能集合，IoTNL：IoTNI→APiotsdg是智能设备到智能服务的映射关系，即智能设备上部署智能服务功能子集，IoTS是部署在IoTN上的智能服务集合，IoTSI是初始智能服务集合，AutoAct是自动动作集(Automata-Based Actions)，
Figure BDA0003010358900000121
是智能服务间的迁移关系，IoTSD是智能服务间的依赖度。
在该发明中，基于用户给定的需求，其空间约束spt(Spatial Constraint)，也就是服务区域可定义为：
spt(rq)＝(rq.pos，rq.r)
其中，rq.pos即该需求的位置，rq.r即该需求的感兴趣区域半径。同理，智能设备iotni的空间约束可定义为：
spt(iotni)＝(iotni.pos，iotni.r)
所以，初始的智能设备集合IoTNI可定义为：
IoTNI＝{iotni∈IoTN|spt(iotni)∩spt(rq)≥rq.thrd}
其中rq.thrd是用户需求的最小空间相关度阈值。在此基础上，初始的智能服务集合IoTSI可定义为：
IoTSI＝{iotsij∈IoTSi|iotni∈IoTNI}
接着，基于计算树时序逻辑CTL(Computation Tree Logic)的表达方式，参照上述克里普克结构，对用户需求中所需的功能进行逻辑结构的构筑，也就是实现每个功能所要用到智能服务以及智能服务之间的运行逻辑，其中包含四种结构：
顺序结构(Sequential Structure，→)：智能服务以顺序的方式进行执行，即当前智能服务在前一个智能服务执行完后才开始执行。则基于计算树时序逻辑公式Φ可表达为：
Φ＝E(iotsi∪iotsj)
并行结构(Parallel Structure，
Figure BDA0003010358900000131
)：多个智能服务以并行的方式进行执行，即一个智能服务与其他智能服务以并行的方式同时执行。则基于计算树时序逻辑公式Φ可规约为：
Φ＝iotSi∧iotsj
选择结构(Conditional Structure，
Figure BDA0003010358900000132
)：多个智能服务以互斥的方式进行执行，即一个智能服务于其他智能服务只可选择其一进行执行。则基于计算树时序逻辑公式Φ可抽象为：
Φ＝iotsi∨iotsj
环状结构(Loop Structure，
Figure BDA0003010358900000141
)：智能服务可以循环多次执行，即当前智能服务可在下一个智能执行前执行多次。则基于计算树时序逻辑公式Φ可表达为：
Φ＝E(□◇iotsi)
以上述四种结构表示各功能所对应的计算树时序逻辑公式Φ，即逻辑结构。
在一些实施例中，在上述步骤S105之前，包括：
步骤107、通过计算树时序逻辑验证算法，对上述用户需求中各功能的逻辑结构进行逻辑验证。
具体地，为了保证各功能的逻辑结构不会因为语法或语义的问题导致优化模型无法读取成功，因此，在将逻辑结构输入优化模型前，需要进行基于计算树时序逻辑的语法及语义验证，验证算法如下：
Figure BDA0003010358900000142
Figure BDA0003010358900000143
Figure BDA0003010358900000144
Figure BDA0003010358900000145
Figure BDA0003010358900000146
Figure BDA0003010358900000147
其中，api为原子命题，即智能服务的功能类型，Φ1和Φ2代表计算树时序逻辑的状态公式，
Figure BDA0003010358900000148
代表计算树时序逻辑的路径公式，比如
Figure BDA0003010358900000149
π(IoTSvCp)代表智能服务适配方案IoTSvCp的子结构，且第一个节点first(π(IoTSvCp))属于克里普克结构的初始状态IoTSI。
本申请实施例还提供了一种智能服务动态适配演化装置，如图3所示，包括：
部署模块30，用于根据多个目标智能设备以及各目标智能设备所需的智能服务，部署智能服务系统；
构建模块31，用于分析上述智能服务系统的属性信息，并根据上述属性信息，构建智能服务依赖图；上述属性信息包括空间调用度、交互能耗、负载均衡因子和依赖关系；
动态模块32，用于针对智能服务的各调用动作，构建自动动作集，并将该自动动作集作用于上述智能服务依赖图，得到动态演化的智能服务依赖图；
生成模块33，用于构建根据上述动态演化的智能服务依赖图，上述智能服务系统的克里普克结构，并根据用户需求和上述克里普克结构，生成满足用户需求中各功能的逻辑结构；
计算模块34，用于根据上述克里普克结构和上述用户需求中各功能的逻辑结构，通过优化模型，得到至少一个待选智能服务适配方案；
确定模块35，用于计算每个待选智能服务适配方案中智能服务之间的依赖度均值，确定上述依赖度均值最大的待选智能服务适配方案为目标智能服务适配方案。
在一些实施例中，上述动态模块32，包括：
动作单元321，用于针对智能服务的各调用动作所对应的可用负载、负载均衡因子和调用度中至少一种属性值的变化设定变化算法，以构建智能服务系统的自动动作集；
动态单元322，用于将上述自动动作集作为上述智能服务依赖图的动态变化模型，得到动态演化的智能服务依赖图。
在一些实施例中，上述生成模块33，包括：
构建单元331，用于根据上述智能服务依赖图构建上述基于智能服务系统的克里普克结构；
生成单元332，用于根据用户需求中的服务区域和功能，基于上述克里普克结构和计算树时序逻辑表达方式，生成用户需求中各功能的逻辑结构。
对应于图1中的一种智能服务动态适配演化方法，本申请实施例还提供了一种计算机设备400，如图4所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述一种智能服务动态适配演化方法。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述一种智能服务动态适配演化方法，解决了现有技术中如何构建高效低耗的动态适配智能服务的问题。
对应于图1中的一种智能服务动态适配演化方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述一种智能服务动态适配演化方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述一种智能服务动态适配演化方法，解决了现有技术中如何构建高效低耗的动态适配智能服务的问题，本申请实施例提出的一种智能服务动态适配演化方法，通过分析所部署智能服务系统的属性信息，并根据该属性信息构建智能服务依赖图，然后，构建包含智能服务的各调用动作的自动动作集，作用于智能服务依赖图，实现智能服务依赖图的动态变化，再根据智能服务依赖图构建克里普克结构，并贴合用户需求，生成用户需求中各功能的逻辑结构，以该逻辑结构、用户需求和克里普克结构为输入，通过优化模型得到多个待选智能服务适配方案，计算每个待选智能服务适配方案中智能服务间的依赖度均值，选取依赖度均值最大的待选智能服务适配方案作为目标智能服务适配方案，并以该方案构建动态适配智能服务。本申请实施例所提出的一种智能服务动态适配演化方法在贴近用户功能需求的同时，降低了动态适配智能服务的能耗，且提高了动态适配智能服务的性能。
在本申请所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (7)

1.一种智能服务动态适配演化方法，其特征在于，包括：
根据多个目标智能设备以及各目标智能设备所提供的智能服务，部署智能服务系统；
分析所述智能服务系统的属性信息，并根据所述属性信息，构建智能服务依赖图；所述属性信息包括空间调用度、交互能耗、负载均衡因子和依赖关系；
针对智能服务的各调用动作，构建自动动作集，并将该自动动作集作用于所述智能服务依赖图，得到动态演化的智能服务依赖图；
根据所述动态演化的智能服务依赖图，构建基于智能服务系统的克里普克结构，并根据用户需求和所述克里普克结构，生成满足用户需求功能的逻辑结构；
根据所述克里普克结构和所述用户需求中各功能的逻辑结构，通过优化模型，得到至少一个待选智能服务适配方案；
计算每个待选智能服务适配方案中智能服务之间的依赖度均值，确定所述依赖度均值最大的待选适配方案为目标智能服务适配方案。
2.如权利要求1所述的方法，其特征在于，所述分析所述智能服务系统的属性信息，并根据所述属性信息，构建智能服务依赖图，包括：
根据所述各智能服务的调用日志和各智能服务之间的空间距离，计算各智能服务之间的空间调用度；
通过智能节点传输耗能模型，计算各智能服务之间的交互能耗；
根据智能服务的可用负载，计算各智能服务之间的负载均衡因子；
针对每个目标智能设备，根据该目标智能设备上部署的智能服务之间的执行关系和执行时间区间，确定该目标智能设备对应的智能服务之间的依赖关系；
根据所述空间调用度、交互能耗、负载均衡因子和依赖关系，定义各智能服务之间的依赖度；
根据所述各智能服务之间的依赖度，构建智能服务依赖图。
3.如权利要求1所述的方法，其特征在于，所述针对智能服务的各调用动作，构建自动动作集，并将该自动动作集作用于所述智能服务依赖图，得到动态演化的智能服务依赖图，包括：
针对智能服务的各调用动作所对应的可用负载、负载均衡因子和调用度中至少一种属性值的变化设定变化算法，以构建智能服务系统的自动动作集；
将所述自动动作集作为所述智能服务依赖图的动态变化模型，得到动态演化的智能服务依赖图。
4.如权利要求1所述的方法，其特征在于，所述根据所述动态演化的智能服务依赖图，构建所述智能服务系统的克里普克结构，并根据用户需求和所述克里普克结构，生成用户需求中各功能的逻辑结构，包括：
根据所述动态演化的智能服务依赖图构建基于智能服务系统的克里普克结构；
根据用户需求中的服务区域和功能，基于所述克里普克结构和计算树时序逻辑表达方式，生成满足用户需求中各功能的逻辑结构。
5.如权利要求1所述的方法，其特征在于，在所述根据所述克里普克结构和所述用户需求中各功能的逻辑结构，通过优化模型，得到至少一个待选智能服务适配方案之前，包括：
通过计算树时序逻辑验证算法，对所述用户需求中各功能的逻辑结构进行逻辑验证。
6.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-5中任一项所述的方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-5中任一项所述的方法的步骤。
CN202110373720.2A 2021-04-07 2021-04-07 一种智能服务动态适配演化方法 Active CN113282403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110373720.2A CN113282403B (zh) 2021-04-07 2021-04-07 一种智能服务动态适配演化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110373720.2A CN113282403B (zh) 2021-04-07 2021-04-07 一种智能服务动态适配演化方法

Publications (2)

Publication Number Publication Date
CN113282403A true CN113282403A (zh) 2021-08-20
CN113282403B CN113282403B (zh) 2024-01-16

Family

ID=77276401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110373720.2A Active CN113282403B (zh) 2021-04-07 2021-04-07 一种智能服务动态适配演化方法

Country Status (1)

Country Link
CN (1) CN113282403B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114036769A (zh) * 2021-11-18 2022-02-11 中国航空无线电电子研究所 面向航电系统物理架构的功能部署方案生成方法及装置
CN114706731A (zh) * 2022-04-21 2022-07-05 中国地质大学（北京） 一种智能服务实时动态监测的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180324151A1 (en) * 2015-11-10 2018-11-08 Eli Talmor Method and system for protecting and utilizing Internet Identity, using smartphone.
CN109788074A (zh) * 2018-03-19 2019-05-21 南京邮电大学 一种边缘智能服务系统
WO2019103356A1 (ko) * 2017-11-21 2019-05-31 한국과학기술원 스마트 환경에서의 서비스 선호도 분산 학습 방법
CN110930117A (zh) * 2019-11-21 2020-03-27 中国银行股份有限公司 一种人工智能微服务系统
CN111541746A (zh) * 2020-04-09 2020-08-14 哈尔滨工业大学 面向用户需求变化的多版本并存的微服务自适应方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180324151A1 (en) * 2015-11-10 2018-11-08 Eli Talmor Method and system for protecting and utilizing Internet Identity, using smartphone.
WO2019103356A1 (ko) * 2017-11-21 2019-05-31 한국과학기술원 스마트 환경에서의 서비스 선호도 분산 학습 방법
CN109788074A (zh) * 2018-03-19 2019-05-21 南京邮电大学 一种边缘智能服务系统
CN110930117A (zh) * 2019-11-21 2020-03-27 中国银行股份有限公司 一种人工智能微服务系统
CN111541746A (zh) * 2020-04-09 2020-08-14 哈尔滨工业大学 面向用户需求变化的多版本并存的微服务自适应方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张元鸣;叶成龙;黄浪游;陆佳炜;徐俊;肖刚;: "数据服务依赖图模型及自动组合方法研究", 小型微型计算机系统, no. 03, pages 52 - 58 *
赵登: "基于缓存策略的多应用共享传感网多查询优化研究", 中国优秀硕士学位论文全文数据库（电子期刊）·信息科技辑, pages 140 - 69 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114036769A (zh) * 2021-11-18 2022-02-11 中国航空无线电电子研究所 面向航电系统物理架构的功能部署方案生成方法及装置
CN114036769B (zh) * 2021-11-18 2023-09-08 中国航空无线电电子研究所 面向航电系统物理架构的功能部署方案生成方法及装置
CN114706731A (zh) * 2022-04-21 2022-07-05 中国地质大学（北京） 一种智能服务实时动态监测的方法
CN114706731B (zh) * 2022-04-21 2023-04-28 中国地质大学（北京） 一种智能服务实时动态监测的方法

Also Published As

Publication number Publication date
CN113282403B (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
US10902332B2 (en) Recommendation system construction method and apparatus
Hosseinzadeh et al. Improved butterfly optimization algorithm for data placement and scheduling in edge computing environments
US20140289245A1 (en) Optimizing a clustered virtual computing environment
Abebe et al. Adaptive application offloading using distributed abstract class graphs in mobile environments
CN113095474A (zh) 深度学习模型的资源使用情况预测
CN113282403A (zh) 一种智能服务动态适配演化方法
CN109669773B (zh) 金融数据处理方法、装置、设备和存储介质
Mukherjee et al. Determining QoS of WS-BPEL compositions
Nawrocki et al. Adaptable mobile cloud computing environment with code transfer based on machine learning
Niu et al. Towards the optimality of QoS-aware web service composition with uncertainty
Golshani et al. Proactive auto-scaling for cloud environments using temporal convolutional neural networks
JP2022160570A (ja) マルチタスクのデプロイ方法、装置、電子機器及び記憶媒体
Ji et al. Adaptive workflow scheduling for diverse objectives in cloud environments
Mohan et al. Placing it right!: optimizing energy, processing, and transport in Edge-Fog clouds
Folino et al. Automatic offloading of mobile applications into the cloud by means of genetic programming
CN114390102A (zh) 一种物联网资源分配方法、系统、终端以及存储介质
Hsu et al. A proactive, cost-aware, optimized data replication strategy in geo-distributed cloud datastores
Zilic et al. EFPO: Energy efficient and failure predictive edge offloading
JP2022531480A (ja) 訪問予測
Yau et al. Development of Situation-Aware Applications in Services and Cloud Computing Environments.
Baraki et al. Optimizing applications for mobile cloud computing through MOCCAA
US11762948B2 (en) In-process engine implementation using SDK extensions
Moreno-Vozmediano et al. Latency and resource consumption analysis for serverless edge analytics
Gu et al. Robust and efficient algorithms for conversational contextual bandit
Song et al. Win with what you have: QoS-consistent edge services with unreliable and dynamic resources

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant